-
文献综述
（一）交通灯识别的现状
世界卫生组织估计全世界有盲人 4000 万到 4500 万。中国是人口最多的国家，其盲人 数占世界盲人总数的 20%左右，也位列世界第一，并且以每年大约 45 万的数量递增，即约每分钟就会新增一位盲人。缺乏影像的资讯，使他们面临外在环境以及障碍空间的挑战要比一般正常人高出数百倍，这对盲人的日常生活自理造成了极大的困难，也给家庭和社会带来了沉重的负担。随着世界盲人联盟的创立，越来越多的人开始关心这个特殊的群体，也有相当一部分科技工作者开始致力于研究开发导盲机器，以辅助盲人达到安全出行的目的。
尽管气候、道路周边环境的复杂性以及影像采集系统的不同特性，使得所采集到的交通信号灯影像存在不同程度的噪声、褪色及变形等问题，但因为交通信号灯固有的颜色和形状特征并不会发生太大的改变，所以交通信号灯的检测主要从颜色和形状的角度考虑。
然而，目前市面上还没有相关的产品可以帮助色盲色弱人群识别交通灯，传统的图像处理方式也无法很好地解决红绿灯识别的问题。自2012年AlexNet 在 ImageNet 比赛中以极大优势领先第二名获得冠军之后，神经网络已经获得了研究者们的广泛关注。 这些年来神经网络已经在语音图像文字和视频等方面获得了极大的成功，在图像分类领域已经超越了人类的在 ImageNet 上错误率为 5%的表现。 已有的网络如 VGG，GoogleNe，ResNet 在图像分类领域已经接近甚至超越人类的图像分类能力。
在神经网络领域，Andrew Howard在2017年提出了MobileNets网络模型，并随后于2018年改进提出MobileNetV2模型，引入残差结构，先升维再降维，增强梯度的传播，显著减少推理期间所需的内存占用，适用于嵌入式设备内存小的环境约束。
（二）研究成果
使用了色彩分割与关联滤波方案进行交通灯的检测。首先建立了交通信号灯的高斯模型，提出了利用高斯向量与多色彩空间结合的图像分割方法。然后提出了基于区域增长与相似性判定的关联滤波，对色彩分割后的图像进行处理。
1.色彩分割方法：
RGB 色彩空间的阈值分割方法：获取的原始图像一般是 RGB 格式，因此基于RGB 彩色空间交通信号灯检测算法由于不需要彩色空间转换，实时性好，但缺点是受光照的影响较大，各通道不具备独立性。
HSI色彩空间的阈值分割方法：为了克服基于RGB彩色空间分割方法的缺点，人们研究将RGB颜色模型转化到HSI(Hue：色调，Saturation：饱和度，Intensity：亮度)颜色模型下，然后进行颜色分割。由色调、饱和度与亮度三个颜色分量组成的HSI颜色模型对颜色的描述更符合人类对颜色的视觉理解，且三个分量基本不相关，因此更有利于图像处理。但因色彩空间转换复杂，其计算量相对较大。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
